Zespół naukowców zbadał, które elementy architektura agenta kodującego odpowiadają za sukces w rozwiązywaniu zadań z benchmarku ARC-AGI-3. Poprzednia wersja agenta łączyła executable world modeling, simplified scheduling i dokładną weryfikację, ale nie było jasne, które z tych komponentów miały największy wpływ na wydajność.
Robotnicy przetestowali cztery zagnieżdżone warianty agentów opartych na Codex: prosty baseline tekstowy, elastyczny interfejs executable world model bez weryfikacji, ten sam model z uproszczeniem harmonogramowania, oraz wariant weryfikacyjny z ustałym interfejsem wymagający dokładnego odtworzenia zaobserwowanych wyników. Eksperymenty obejmowały modele GPT-5.4 i GPT-5.5 z wysokim i bardzo wysokim wysiłkiem obliczeniowym, a także eksploracyjne testy z GPT-5.6-sol przy maksymalnych ustawieniach.
Najważniejsze odkrycie brzmi: każdy wariant agenta poprawiał się wraz z silniejszym modelem bazowym i większym wysiłkiem obliczeniowym. Jednak w ramach każdej kombinacji modelu i wysiłku, różnice między wariantami były mniejsze niż się spodziewano. Wymóg dostarczenia działającego, trwałego kodu nie okazał się uniwersalnie korzystny - wersja tekstowa przewyższyła wariant z elastycznym interfejsem executable w obydwu ustawieniach GPT-5.5. Uproszczenie harmonogramu polepszało wydajność w trzech z czterech kombinacji, a wariant z pełną weryfikacją zajął pierwsze miejsce we wszystkich czterech ustawieniach, choć wymagał znacznie większych zasobów obliczeniowych.